ZPressor：面向可扩展前馈 3DGS 的瓶颈感知压缩

前馈 3D 高斯泼溅（3DGS）模型近期作为新视图合成的有效解决方案出现，无需逐场景 3DGS 优化即可实现单次推理。然而，其可扩展性从根本上受到模型有限容量的限制，导致随着输入视图数量的增加，性能下降或内存消耗过大。在这项工作中，我们通过信息瓶颈原则的视角分析了前馈 3DGS 框架，并引入了 ZPressor，这是一个轻量级且与架构无关的模块，能够将多视图输入高效压缩为紧凑的潜在状态 $Z$，在保留基本场景信息的同时丢弃冗余。具体而言，ZPressor 通过将视图划分为锚点集和支持集，并使用交叉注意力将支持视图的信息压缩到锚点视图中以形成压缩的潜在状态 $Z$，使得现有的前馈 3DGS 模型能够在 80GB GPU 上扩展至 480P 分辨率下的 100 多个输入视图。我们展示了将 ZPressor 集成到多个 SOTA 前馈 3DGS 模型中，在两个大规模基准 DL3DV-10K 和 RealEstate10K 上，在中等输入视图下持续提升了性能，并在密集视图设置下增强了鲁棒性。视频结果、代码和训练模型可在我们的项目页面获取：https://lhmd.top/zpressor。